Прогнозирование склонности к оползням с помощью моделей ИНС, оптимизированных эволюционными алгоритмами

Почему важно картировать нестабильные склоны

Оползни могут превратить тихий склон в смертельный поток камней и грязи за считанные секунды. По мере того как дороги, города и фермы расширяются в крутых районах, знание того, какие склоны наиболее подвержены обрушению, становится жизненно важным для спасения жизней и экономии средств. В этом исследовании рассматривается, как современные компьютерные методы «обучения» могут преобразовывать разрозненные наблюдения прошлых оползней и окружающих условий в подробные карты, указывающие места, где в будущем наиболее вероятны сдвиги.

Чтение скрытых предупредительных признаков рельефа

Исследователи сосредоточили внимание на провинции Восточный Азербайджан на северо‑западе Ирана — преимущественно горном регионе, где оползни часты, а растущее население и инфраструктура оказываются все более уязвимыми. Они собрали детальную картину ландшафта, используя 16 различных факторов, влияющих на устойчивость склонов. Среди них были природные характеристики — высота, крутизна склонов, осадки, типы почв и пород, растительный покров и шероховатость рельефа — а также антропогенные факторы, такие как расстояние до дорог и рек. С помощью спутниковых изображений, цифровых моделей рельефа и долгосрочных записей осадков эти исходные данные были приведены к единым картографическим слоям, и был сформирован инвентарь оползней: точки, где оползни уже происходили, и сопредельные участки, где склоны оставались стабильными.

Обучение компьютеров распознавать опасные склоны

Чтобы выявить скрытые закономерности в этом сложном наборе данных, команда использовала искусственные нейронные сети — компьютерные модели, вдохновлённые тем, как клетки мозга обрабатывают информацию. Эти сети принимают множество входных данных, пропускают их через несколько внутренних слоёв простых математических элементов и выдают результат: в данном случае вероятность того, что конкретное место на карте подвержено оползням. Учёные экспериментировали с различной глубиной сети и числом внутренних узлов, искав структуру, способную уловить нелинейные взаимосвязи между факторами, но при этом не настолько сложную, чтобы просто запоминать обучающую выборку. Они обнаружили, что более глубокая сеть с несколькими скрытыми слоями обеспечивала наилучший баланс между гибкостью и надёжностью.

Пусть эволюция тонко настраивает модели

Вместо ручной подстройки сети авторы использовали так называемые эволюционные алгоритмы — поисковые методы, имитирующие природные процессы, такие как гравитация, поведение животных и взаимодействие множественных вселенных. Были протестированы четыре разные стратегии оптимизации: метод, вдохновлённый «чёрной дырой», стратегия кукушки‑гнезда, оптимизатор мультимиров и поиск, похожий на водоворот. Каждая из них многократно корректировала внутренние параметры сети и оценивала, насколько хорошо она отделяет известные точки оползней от стабильных областей. За многочисленные циклы эти алгоритмы «эволюционировали» версии нейронной сети, которые давали меньшие ошибки и более устойчивые прогнозы по сравнению со стандартной, не оптимизированной сетью.

От чисел к практическим картам риска

Используя эти настроенные модели, команда сгенерировала карты предрасположенности к оползням, классифицировав всю территорию Восточного Азербайджана по пяти уровням — от очень низкого до очень высокого риска. Получившиеся закономерности имели географический смысл: скопления высокой и очень высокой предрасположенности возникали главным образом в северной, центральной и юго‑восточной частях провинции, где совпадают крутые склоны, большие осадки и специфические виды землепользования. Районы на западе и в дальнем юго‑востоке, как правило, относились к низким или очень низким категориям. Среди четырёх гибридных моделей наиболее точной и стабильной оказалась нейронная сеть, оптимизированная с помощью мультимирового подхода — её показатели успеха превышали 80% с почти идеальными результатами в стандартных тестах классификации.

Что это значит для людей, живущих у крутых склонов

Для неспециалистов главный вывод состоит в том, что сочетание умного машинного обучения с идеями, заимствованными из природы, может предоставить очень подробные и надёжные карты мест, где оползни наиболее вероятны. Эти карты могут помочь определить, где строить дороги и дома, где укреплять существующие склоны и куда направлять усилия по системе раннего оповещения и планированию аварийных мероприятий. Хотя исследование выполнено для одной провинции Ирана, предложенная схема — тщательный выбор экологических факторов, обучение нейронных сетей и их оттачивание с помощью эволюционного поиска — может быть адаптирована к другим горным регионам мира. Коротко говоря, работа показывает, что цифровые инструменты способны превратить десятилетия разрозненных наблюдений в практические и экономически эффективные рекомендации по снижению риска оползневых бедствий.

Цитирование: Cifci, M.A., Hu, X., Öney, B. et al. Prediction of landslide susceptibility through ANN models optimized by evolutionary algorithms. Sci Rep 16, 9471 (2026). https://doi.org/10.1038/s41598-026-39458-8

Ключевые слова: склонность к оползням, искусственные нейронные сети, эволюционные алгоритмы, картирование опасности, снижение риска стихийных бедствий